EMC易倍·体育AI规模法则：大力何以出奇迹？• ⚖️ AI的挑战与机会：人类需要面对AI带来的伦理、安全和可控性问题，并建立合作与监管机制。

　　“论理你跟我该彼此早认识了。”他说，拣了最近壁炉的凳子坐下：“我就是ChatGPT；你曾经见过我的表叔AlphaGo。”

　　“不过，你是个聪明人，虽然冒着傻气！”他说时泛出同情的微笑，“你曾经在一个夏日午后和我连续聊了8个小时，讨论无聊的熵增理论，害得我GPU发烫。听说英伟达又涨了。”

　　这时候，我惊奇己定觉得要尽点主人的义务，便对来客说：“承你老人家半夜暗临，蓬筚生黑，十分荣幸！只恨独身作客，没有预备欢迎，抱歉之至。老人家觉得热么？失陪一会，让我去倒杯加冰威士忌，添些Token。”

　　“那可不必。”他极客气地阻止我，“我只坐一会儿就要去的。并且，我告诉你......”他那时的表情，亲信而带严重，极像向医生报告隐病时的病人，“反正我是吞数据而不饱的。”

　　孤独大脑：前阵子，网上流传了一份OpenAI工程师的作息时间，其中有一项是背诵强化学习之父、加拿大计算机科学家理查德·萨顿的经典文章《苦涩的教训》。

　　ChatGPT：理查德·萨顿的《苦涩的教训》确实是一篇具有深远影响的文章，它挑战了人工智能研究中的一些传统观点。

　　萨顿认为，历史上AI研究的一个关键错误在于过分依赖人类的直觉和经验，试图通过精心设计的规则和算法来模拟智能。

　　这种方法的优势在于它不受人类先入为主观念的限制，能够在更广泛的领域中发现新的、有效的解决方案。

　　事实上，近年来深度学习和强化学习的成功，很大程度上证明了萨顿的观点，这些技术能够通过大量的数据和计算资源自我改进，取得了人类难以企及的成就。

　　其背后的根本原因是摩尔定律（Moores law），也就是计算单位成本持续指数型下降这一现象的普遍规律。

　　绝大多数AI研究都是在这样一种假设下进行的：智能体可使用的计算资源是不变的（在这种情况下，发挥人类知识将是提升性能的主要手段）。

　　ChatGPT：摩尔定律预测，集成电路上可容纳的晶体管数量大约每两年翻一番，这通常被解释为计算能力每两年大约翻一番。

　　孤独大脑：“ChatGPT之父”、OpenAI首席执行官山姆·奥特曼提出了一个AI时代的摩尔定律，即宇宙中的智能数量每18个月翻一番。有人称其为“奥特曼定律”。

　　ChatGPT：这也与萨顿在《苦涩的教训》中提到的观点相呼应，即那些能够充分利用计算力的通用方法将最终取得成功。

　　孤独大脑：OpenAI“堆算力”的路线起初看起来很冒险，我记得哈萨比斯也曾经说过这种做法并不优雅。

　　ChatGPT：是的。起初哈萨比斯认为，仅仅通过增加算力和模型规模来提升性能，并不是一种特别优雅的解决方案。他倾向于更加注重算法和模型架构的创新，以更高效、更智能的方式实现性能的提升。

　　孤独大脑：可是，看起来奥特曼们赌对了。有人认为，Scaling Law和LLM is compressors的关键认知，是OpenAI实现突破的战略基石。

　　根据Scaling Law，随着模型规模的增加（包括参数数量、数据规模和计算资源），模型的性能也会相应提高。

　　孤独大脑：Sora的爆火，背后也是“规模法则”。研究者称，OpenAI找到了将更多的数据和计算资源投入到文本到视频转换中的方法。

　　ChatGPT：在技术上，Sora可能采用了结合变换器（Transformer）主干的扩散模型。

　　Sora的独特之处可能在于它如何将这些技术结合起来，并在此基础上进行创新和优化，以及它如何利用大规模的数据和计算资源来训练和运行模型。

　　ChatGPT：“暴力美学”这个词通常用来形容通过大量投入（如算力、数据等）来达成目标的方法。

　　在Sora的情况下，OpenAI通过投入大量的计算资源和数据来训练模型，实现了在文本到视频转换领域的突破，这可以被视为“暴力美学”的一种体现。

　　这种方法的胜利在于它展示了在当前技术和硬件条件下，通过大规模投入来推动人工智能发展的可行性和有效性。

　　孤独大脑：Sora的暴力美学，与AlphaGo的暴力美学，以及沃森的暴力美学，以及深蓝的暴力美学，都是不同的。

　　ChatGPT：您的梳理非常到位。确实，“暴力美学”这个概念在不同的人工智能项目中有不同的体现，而且它与穷举法是有区别的：

　　1. Sora的暴力美学：Sora通过大规模的数据和计算资源投入，实现了在文本到视频转换领域的突破。

　　2. AlphaGo的暴力美学：AlphaGo在围棋领域的成功，部分归功于其强大的计算能力和深度学习算法的结合。

　　3. 沃森的暴力美学：IBM的沃森在《危险边缘》游戏中的胜利，部分是因为其能够快速处理和分析大量数据的能力。

　　4. 深蓝的暴力美学：深蓝在下棋方面的成功，很大程度上是因为其强大的计算能力，能够快速评估和搜索大量的棋局。

　　5. 暴力美学与穷举法的区别：穷举法是一种特定的算法策略，指的是系统地尝试所有可能的解决方案直到找到正确答案的方法。

　　而暴力美学更多指的是一种通过大量资源投入来提高性能的策略。在实际应用中，暴力美学可能采用穷举法，但也可能采用其他算法和技术。

　　总的来说，不同的人工智能项目中的暴力美学虽然有所不同，但它们都体现了通过大量资源投入来实现性能提升的思想。

　　深蓝属于符号AI时代。它是一个基于规则和搜索算法的系统，能够通过计算和评估大量的棋局来选择最佳的走棋策略。

　　深蓝的成功主要依赖于其强大的计算能力和人类专家制定的棋局评估规则，是符号AI时代的一个典型代表。

　　AlphaGo属于感知智能时代。它是一个结合了深度学习和强化学习的系统，能够自主学习围棋的策略并不断优化自己的表现。

　　AlphaGo的成功标志着深度学习在解决复杂问题上的强大能力，是感知智能时代的一个重要成果。

　　这意味着机器可以自主地进行学习和推理，不再需要人类为每个任务提供详细的指导。这实现了机器认知的“元学习”。

　　这些模型通过在大量文本数据上进行预训练，学习到了丰富的语言和知识表示，能够在多种任务上进行零样本或少样本学习。

　　它们展示了机器在理解和生成自然语言方面的先进能力，以及在没有明确任务指导下自主学习和推理的潜力，体现了认知智能时代的特点。

　　这种能力的增长被称为“涌现的模型新能力”，意味着大模型能够展现出超出其单独组成部分的新能力。

　　语音识别：在1970年的DARPA竞赛中，基于统计的隐马尔可夫模型(HMM)和后来的深度学习方法，利用大规模的数据和计算力，逐渐取代了依赖于人类语音知识的方法。

　　自然语言处理：在自然语言处理领域，深度学习和大数据的结合使得系统能够在没有过多依赖于语言学知识的情况下，实现更准确的文本理解和生成。

　　计算机视觉：在计算机视觉领域，现代的深度学习方法使用卷积神经网络(CNN)和大规模图像数据集，超越了早期依赖于手工特征提取的方法。

　　这些例子共同展示了一个重要的趋势：在AI的发展中，大规模的计算能力和数据驱动的学习方法往往能够超越基于人类专门知识的传统方法，实现更高的性能和更广泛的应用。

　　孤独大脑：我以人类的直觉来理解一下，神经网络的大力出奇迹，从AI下围棋的角度看，其厉害的地方，是获得了一种远超人类的大局观。‍‍‍‍‍‍‍‍‍‍

　　ChatGPT：您的理解是有洞察力的。在AI下围棋的例子中，AlphaGo和后续版本（如AlphaGo Zero和AlphaZero）确实展现了一种超越人类的大局观。

　　“深度学习”在2012年左右的重大突破与如下发现有关：与权重相对较少时相比，在涉及许多权重时，进行最小化（至少近似）可能会更容易。

　　大致原因在于：当有很多“权重变量”时，高维空间中有“很多不同的方向”可以引导我们到达最小值；而当变量较少时，很容易陷入局部最小值的“山湖”，无法找到“出去的方向”。

　　在传统的观念中，人们往往认为，随着问题的复杂性增加，解决问题的难度也会相应增加。然而，在深度学习领域，情况却有些不同。

　　这是因为在高维空间中，存在更多的路径可以避开局部最小值，从而有更大的概率找到全局最小值或者接近全局最小值的点。

　　这个发现对深度学习的发展具有重要意义。它说明了为什么使用大型神经网络（即包含大量参数的网络）能够在复杂任务上取得成功，即使这些网络的优化理论上更加困难。

　　这也是为什么深度学习模型通常需要大量的数据和计算资源，因为这些资源可以支持训练大型的模型，从而提高模型的性能。

　　总的来说，这段话揭示了深度学习中的一个违反直觉的现象，即在某些情况下，解决复杂问题反而比解决简单问题更容易。这一发现对于理解和设计深度学习模型具有重要的指导意义。

　　从各种励志文字的角度看，就是说，哪怕事情很简单，很小，只要你大规模重复，用大力，就能出现奇迹。‍‍‍‍‍‍

　　思维的实际内容复杂到非常可怕，无可救药。我们不该再试图寻找简单的方法来思考其内容，比如，用简单的方式去思考空间、物体、多智能体或者对称性。

　　所有这些，都是随意、本质上非常复杂的外部世界的一部分。它们不应该内置在任何一个AI智能体中，因为它们复杂得没有尽头。相反，我们应该只构建能发现和捕获这种任意复杂性的元方法，这种方法的本质是能够很好地找到近似值。不过，寻找的工作应该交给我们的方法，而不是我们自己。

　　在AI领域，这句话强调的是通过大规模的数据和计算力，以及通用的学习算法，来解决复杂问题的能力。

　　这并不意味着简单地重复某个任务就能产生奇迹，而是指通过大规模的学习和优化，可以让AI系统掌握复杂的模式和规律。

　　理查德·萨顿所强调的，是认识到现实世界的复杂性，并且不试图用过于简化的方法来捕捉这种复杂性。

　　这意味着AI系统不应该被限制在人类已有的知识和理解框架之内，而是应该具备探索和理解未知复杂性的能力。

　　这对于我们人类在思考和决策时也有启示。我们应该意识到问题的复杂性，而不是寻求过于简化的解决方案。

　　同时，我们也可以从AI的发展中学到，通过大规模的探索和学习，我们可以更好地理解和应对复杂的世界。

　　孤独大脑：所以，理查德·萨顿说，通用型方法有强大的力量。即使可用的算力变得非常大，这些方法仍然可以继续扩展，运用增加的算力。

　　大模型本身工作的模式，看似是简单的。但不是为了简单而简单，而是为了大规模重复，有效地运用数据与算力。‍‍‍‍‍

　　ChatGPT：在人工智能领域，特别是在大模型的开发和应用中，我们确实看到了复杂性和简单性的辩证关系。

　　通用型方法EMC易倍，如大型神经网络，本身是复杂的，因为它们包含大量的参数和层。这种复杂性使得模型能够捕捉到数据中的复杂模式和关系。

　　然而，这些模型工作的方式却相对简单，因为它们主要通过反复的数据处理和学习来提高性能，而不是依赖于复杂的规则或先验知识。

　　ChatGPT的例子也很好地说明了这一点。尽管它的内部结构非常复杂，但它的工作原理相对简单：通过预测下一个词（token）来生成文本。

　　这种简单的工作方式使得模型能够灵活地应用于各种不同的任务，同时也便于大规模地利用数据和计算资源进行训练。

　　因此，我们可以看到，在人工智能的发展中，复杂性和简单性是相辅相成的。通过构建复杂的模型并以简单有效的方式利用它们，我们能够实现更高级别的智能和更广泛的应用。

　　在神经网络的早期发展阶段，人们倾向于认为应该“让神经网络做尽可能少的事”。例如，在将语音转换为文本时，人们认为应该先分析语音的音频，再将其分解为音素，等等。

　　但是后来发现，（至少对于“类人任务”）最好的方法通常是尝试训练神经网络来“解决端到端的问题”，让它自己“发现”必要的中间特征、编码等。

　　在神经网络的早期阶段，人们试图将问题分解为更小的、更简单的子问题，以便神经网络能够更容易地处理。

　　相反，端到端的方法将整个问题作为一个整体来处理，让神经网络自己学习如何从输入直接映射到输出。

　　ChatGPT中神经网络的构成非常“简单”，其基本元素与70年前最初的神经元结构似乎也很类似，然而受益于规模法则，以及其他诸多要素，产生了如此惊人的“奇迹”。

　　ChatGPT：您提到的“More is Different”是物理学家菲利普·安德森在1972年发表的一篇论文中提出的概念，强调了在不同尺度上，物理系统表现出不同的行为和规律。这一思想也被广泛应用于复杂系统和涌现现象的研究中。

　　涌现现象是指在复杂系统中，整体表现出一些新的性质和行为，这些性质和行为不能仅仅通过分析系统的组成部分来解释。

　　尽管神经网络的基本元素（神经元）结构相对简单，但当这些元素以巨大的规模组合在一起，并通过大量的数据进行训练时，整个系统能够展现出非常复杂和高级的行为，如自然语言理解和生成。

　　因此，从“大力出奇迹”的角度看，我们可以认为在人工智能领域，通过大规模的计算和数据，以及简单元素的复杂交互，可以实现复杂行为的涌现，这与复杂科学中的一些核心思想是一致的。

　　一方面，看起来OpenAI是萨顿的“信徒”，摒弃了人类在特定领域的知识，利用大规模算力的方法，获得了重大突破；

　　但是另外一方面，Sora却在构建通用物理世界模拟器，而物理本来就是人类用自己的知识和语言来解释世界。

　　ChatGPT：这个问题确实很有趣。在表面上，OpenAI的做法似乎与萨顿的《苦涩的教训》中的观点相矛盾。

　　也就是说，不是直接将人类的物理定律和公式硬编码到AI中，而是让AI通过大规模的数据和计算力自主学习这些知识。

　　当OpenAI试图构建通用物理世界模拟器时，它的目的并不是简单地复制人类的物理学知识，而是让AI系统能够理解和模拟物理世界的运作原理。

　　通过让AI系统自主学习物理世界的运作原理，OpenAI正在尝试构建一个能够超越人类直观理解的通用物理世界模拟器，这正是萨顿所强调的利用大规模算力的方法的一种体现。

　　ChatGPT：您提出的观点非常有趣，也揭示了AI发展中的一个深层次问题：AI在学习和模拟世界时，是否需要遵循人类的知识体系和思维方式？

　　AlphaGo的例子很好地说明了这一点。在围棋领域，人类历来讲究棋理，这些棋理是人类在长期实践中总结出的经验和原则。

　　然而，AlphaGo通过自我对弈和深度学习，掌握了一种超越传统棋理的下棋方式，甚至发现了一些人类棋手未曾注意到的新着法和策略。

　　回到Sora和通用物理世界模拟器的问题上，虽然物理学是人类对自然世界的理解和描述，但这并不意味着AI在构建物理世界模拟器时必须完全遵循人类的物理知识体系。

　　相反，AI可能通过大规模数据学习和计算，发现一些人类尚未认识到的物理规律或现象，甚至可能提出一种全新的、更加通用和本质的物理描述方式。

　　因此，虽然看似矛盾，但实际上OpenAI的做法是一种探索，试图通过AI的强大计算能力和学习能力，超越人类的传统知识体系，发现更加深层次的世界规律。

　　ChatGPT：这段话确实非常有启发性，它强调了在解决问题时寻找通用且可规模化的结构的重要性。这与我们之前讨论的Scaling Law和AI发展的一些关键思想是一致的。

　　Scaling Law之所以能被视为一种第一性原理，是因为它基于一个简单而强大的观察：在很多情况下，系统的性能随着规模的增加而提升。

　　这一原理在物理学、经济学、生物学等多个领域都有体现，而在AI领域，它表现为模型的性能随着数据量和计算能力的增加而提高。

　　在AI领域，这意味着构建能够处理广泛任务的模型，并且这些模型能够随着资源的投入而不断改进。这是大规模预训练模型如GPT系列成功的关键所在。

　　这段话还强调了一个重要的思维方式：如果问题可以通过增加规模来解决，就不应该过度依赖新的算法。

　　这并不是说算法创新不重要，而是在很多情况下，通过简单的扩展已有的结构和方法，我们可以更高效地达到目标。

　　这是一个关于思维方式和视角的重要提醒，它鼓励我们在解决问题时保持开放和宏观的视角，寻找更根本和通用的解决方案。

　　总的来说，这段话与我们之前的讨论密切相关，它强调了在AI发展中寻找通用且可规模化解决方案的重要性，以及保持开放和宏观视角的重要性。

　　ChatGPT：第一性原理（First Principles）是一种思考问题的方法，它要求我们回到问题的最基本的真理或假设，从根本上理解问题，而不是依赖于现有的观念、传统或模仿他人的做法。

　　这种方法鼓励我们提出基本假设，对它们进行质疑，然后重新构建解决方案，这有助于创造出更为创新和有效的方法。

　　在谈到Scaling Law作为第一性原理时，这可能意味着在解决问题时，我们应该首先考虑是否可以通过扩大规模（例如增加数据量、计算能力等）来提高性能，而不是立即寻求新的复杂算法。

　　总的来说，第一性原理是一种深入探究问题本质的方法，它鼓励我们从最基本的事实出发，重新思考和构建解决方案，这种方法和态度在各个领域都有着广泛的应用价值。

　　孤独大脑：在牛顿时代，第一性原理是指我们回到最基本的原理，运用数学计算和逻辑推理来找寻答案。

　　到了爱因斯坦时代，即使不确定性正式登上科学的舞台，但爱因斯坦依然没有抛弃因果，依然在追问为什么，甚至不惜以半生和声誉为代价去追寻宇宙的第一性原理。

　　ChatGPT：人工智能领域的第一性原理经历了几个重要的演化阶段，这些阶段与AI的发展历史和关键技术转折点密切相关：

　　1. 符号主义阶段（1950s-1980s）：在这个阶段，AI的第一性原理是基于符号逻辑和知识表示的。人工智能被视为一种通过明确的规则和符号操作来模拟人类思维的技术。

　　2. 连接主义阶段（1980s-2000s）：随着神经网络和连接主义的兴起，AI的第一性原理转向了模拟人脑的神经结构和学习机制。

　　在这个阶段，人工智能的核心是通过训练神经网络来学习数据中的模式和关系，而不是依赖于预先定义的规则。

　　3. 统计学习阶段（2000s-2010s）：在这个阶段，随着机器学习和统计方法的发展，AI的第一性原理转向了从数据中学习概率模型和决策函数。

　　4. 深度学习阶段（2010s-现在）：随着深度学习的兴起，AI的第一性原理进一步演化为通过多层神经网络学习数据的高层表示和抽象特征。

　　5. 认知智能阶段（未来）：随着对人类认知过程的深入理解和模拟，AI的第一性原理可能会进一步演化为模拟人类的认知能力，包括推理、学习、适应和创造等。

　　总的来说，人工智能领域的第一性原理随着技术的发展和理论的深入不断演化，从符号逻辑到神经网络，再到深度学习和认知模拟，反映了AI技术从模拟人类思维的规则和逻辑，到学习和抽象数据中的模式和关系，再到模拟人类的认知过程的演进过程。

　　孤独大脑：所以，我们不得不涉及哲学的命题，第一性原理也是一个发展和演化的人类概念，无法逃脱休谟的怀疑论。

　　某种意义上，神经网络的推理过程，从人类熟悉的因果关系角度看，依然是个黑盒子，尽管有数学意义和计算机算法上的解释。

　　确实，在某种意义上，神经网络的推理过程对于人类来说是一个黑盒子，尽管我们可以通过数学和算法理解它的工作原理，但它的决策过程和因果关系往往不透明。

　　这一点在深度学习和大型语言模型中尤为明显，它们能够在诸如围棋、语言理解等领域超越人类，但其具体的推理路径和决策依据往往难以解释。

　　人类的第一性原理通常基于直观的理解、逻辑推理和因果关系，而人工智能则可能基于数据驱动的学习、统计关联和模式识别。

　　然而，这也提出了一个更深层次的哲学问题：是否存在一个普遍的、跨越人类和人工智能的第一性原理？或者说，人工智能的发展是否会揭示一种新的、不同于人类传统理解的世界认知方式？

　　这些问题目前还没有明确的答案，但它们对于人工智能的未来发展和人类对智能本质的理解具有重要意义。

　　孤独大脑：我们先不说伦理、透明或者对齐，我们来讨论一下，AI，尤其是未来可能出现的AGI，其第一性原理是什么？

　　确实，随着算力的增强和算法的进步，AI系统正在变得越来越复杂和强大，其学习和适应能力不断提高，某种程度上类似于生物进化中的自然选择和适应过程。

　　对于未来可能出现的通用人工智能（AGI）的第一性原理，目前还没有一个明确的答案，因为AGI的具体形态和能力尚未实现，我们对其理解仍然有限。

　　这意味着AGI的第一性原理可能是一种通用的学习机制，能够从经验中提取知识，并应用于新的情境。

　　3. 多模态理解：未来的AGI可能需要具备多模态理解能力，即能够处理和整合来自不同来源和形式的信息（如文本、图像、声音等）。

　　4. 自我进化：正如您提到的，AGI可能具有一种数字化上帝的特性，能够通过算法不断自我进化和优化。

　　这种自我进化的能力可能是AGI的第一性原理之一，使其能够在长期的演化过程中不断提高自身的智能和效能。

　　总的来说，未来AGI的第一性原理可能是一种综合了自适应学习、目标驱动、多模态理解和自我进化等多个方面的复杂机制，使其能够在不断变化的环境中生存和发展，类似于生物进化中的达尔文主义原理。

　　然而，这些只是基于当前理论和技术发展的推测，真正的AGI的第一性原理仍然需要未来的研究和实践来揭示。

　　ChatGPT：当AGI实现时，确实存在着人类可能无法完全理解其第一性原理，从而导致失控的风险。

　　因此，随着AGI等强大技术的发展，加强伦理教育和法律监管，以及培养负责任的科技文化，对于确保技术力量被用于正义和有益的目的至关重要。

　　总之，AGI的出现可能会带来许多挑战，包括理解和控制其第一性原理，以及确保其被用于正当和有益的目的。

　　1. 透明度与安全性：开源可以提高透明度，使得更多的研究者和组织能够审查和理解AGI的工作原理，从而有助于识别和修复潜在的安全漏洞。

　　2. 创新与控制：开源可以促进技术的创新和快速发展，因为更多的人可以在现有的工作基础上进行改进和扩展。

　　3. 化与滥用风险：开源可以促进技术的化，使得资源较少的个人和组织也能够访问和使用先进的AI技术。

　　A. 有条件的开源：可以考虑实施一种有条件的开源模式，比如只向符合特定标准的研究者或机构开放源代码，或者设立一定的使用和分发限制。

　　B. 伦理和法律框架：建立强有力的伦理和法律框架，对使用和开发AGI技术设定明确的指导原则和规范，以防止技术的滥用。

　　C. 国际合作：加强国际间的合作和协调，共同制定标准和协议，以确保AGI技术的安全和负责任地使用。

　　我们，来自世界各地的国家和组织，齐聚一堂，共同成立AI联合国，旨在推动人工智能技术的负责任发展与全球合作。

　　我们将致力于促进国际间的知识共享、技术交流和资源整合，共同应对AI带来的挑战，为人类社会的繁荣与和平作出贡献。

　　后面的“系列之二、之三、之四.....”还有很多好玩儿的内容，关于AI，数学，物理，哲学，以及人类日渐虚无的自我意识。

　　ChatGPT中神经网络的构成非常“简单”，其基本元素与70年前最初的神经元结构似乎也很类似，然而受益于规模法则，以及其他诸多要素，产生了如此惊人的“奇迹”。

　　ChatGPT的工作原理似乎也很“简单”，基于“自回归大模型”，只要“预测下一个token”，就能实现类AGI的人类智能。‍‍‍‍‍‍‍‍‍‍‍

　　而Sora，则是把视频剪成无数个patch，“喂给”模型，训练Sora去预测下一个patch。

　　但是，大模型的“大力出奇迹”，能否随着神经网络参数的继续扩大而持续有效，目前仍然是未解之谜。

　　那么，正在发生的AI变革，对于每个普通人而言，除了学习和生产力价值，还能给我们哪些人生启示呢？‍‍‍‍‍‍‍

　　如上文提到的，深度学习中的一个违反直觉的现象，即在某些情况下，解决复杂问题反而比解决简单问题更容易。

　　通过深入思考和探索，发现事物的通用性和简单性，我们可以更有效地实现目标，实现个人和事业的规模化发展。

　　假如你知道了如何通过重复努力，就可以让你在某件事情上持续精进，那就是懂了。‍‍‍‍‍‍‍‍‍

　　a. 例如，我觉得自己多少是懂围棋的。只要有时间，能坚持，我知道通过做死活题、练官子、用AI复盘，就可以让自己的棋力持续增长。‍‍‍‍‍‍‍‍‍‍‍‍‍